University of the Ryukyus · Faculty of Engineering · 准教授

Research keywordsテキストマイニング・適応型アルゴリズム・観光情報学・複雑系工学・自然言語処理・最適化・人工知能・Adaptive Algorithms・Artificial Intelligence・Complex Systems Engineering

Research fields情報学基礎論・Computational science

This is a public-data preview. Personalized fit, contact angles, and saved workflows require sign-in.

• MolGANの拡張による文章グラフを用いた文章生成手法の提案2020 · <p>深層学習によって様々な分類問題が解決されているが，分類カテゴリ毎のデータ量が不均衡な問題を扱う場合，多くの課題がある．不均衡データへの対策として，少量カテゴリのデータ量を増加させ均衡化する手法がある．これをかさ増しと呼び画像処理分野ではノイズの付与や回転による方法が一般的である．最近ではGenerative Adversarial Network: GANによる画像生成手法を用いる場合がある．一方で，自然言語処理の分野では有効なかさ増し手法はいまだ確立されておらず，人手によるかさ増しが行われている．人手によるかさ増しではルールの設計など負担が大きく，機械的なかさ増し手法が必要となる．しかし，文章生成における機械的なかさ増しは画像生成に比べ不安定である．これは文章の特徴獲得の難しさが原因だと考えられる．そこで本論文ではグラフ情報に注目した機械学習による文章生成手法を提案する．CaboChaによって生成されたグラフ情報をGraph Convolutionにより畳み込み処理する．提案するGANにより生成されたかさ増し文章を3つの計算実験により評価し有効性を示した．</p>
• 深層強化学習エージェントの行動別顕著性マップの生成に関する考察2019 · <p>近年，深層強化学習エージェントは驚くべき発展を見せ，素晴らしい成果を挙げている．一方で，エージェントの行動のみを視認して，根拠となった画像特徴を推測するのは困難であるという問題がある．これに対し，エージェントが持つニューラルネットの入出力を用いて判断根拠を可視化することで，行動を分析しようとする試みが行われている．可視化手法の一つに顕著性マップの生成がある．しかし，行動毎に顕著性マップを得る手法はあまり研究されていない．本稿では，深層強化学習エージェントの行動を視覚的に分析する際に，エージェントの持つニューラルネットから各行動ごとに顕著性マップを得る手法を提案する．実験の結果，環境から得られる状態観測内のオブジェクトが，エージェントの各行動に及ぼす影響を可視化する顕著性マップを得られた．</p>
• 畳み込みニューラルネットワークを用いた表情表現の獲得と顔特徴量の分析2017 · <p>Facial expressions play an important role in communication as much as words. In facial expression recognition by human, it is difficult to uniquely judge, because facial expression has the sway of recognition by individual difference and subjective recognition. Therefore, it is difficult to evaluate the reliability of the result from recognition accuracy alone, and the analysis for explaining the result and feature learned by Convolutional Neural Networks (CNN) will be considered important. In this study, we carried out the facial expression recognition from facial expression images using CNN. In addition, we analysed CNN for understanding learned features and prediction results. Emotions we focused on are "happiness", "sadness", "surprise", "anger", "disgust", "fear" and "neutral". As a result, using 32286 facial expression images, have obtained an emotion recognition score of about 57%; for two emotions (Happiness, Surprise) the recognition score exceeded 70%, but Anger and Fear was less than 50%. In the analysis of CNN, we focused on the learning process, input and intermediate layer. Analysis of the learning progress confirmed that increased data can be recognised in the following order "happiness", "surprise", "neutral", "anger", "disgust", "sadness" and "fear". From the analysis result of the input and intermediate layer, we confirmed that the feature of the eyes and mouth strongly influence the facial expression recognition, and intermediate layer neurons had active patterns corresponding to facial expressions, and also these activate patterns do not respond to partial features of facial expressions. From these results, we concluded that CNN has learned the partial features of eyes and mouth from input, and recognise the facial expression using hidden layer units having the area corresponding to each facial expression.</p>
• A study on emotion estimation of narratives using cognitive appraisals of the reader2016 · 當間 愛晃

• 携帯電話と電子マネー融合型情報提供サービスによる沖縄観光消費拡大モデルの構築
• セマンティックWeb・オントロジーを活用した情報検索技術の構築
• Developping a Search Techniques with Semantic Web and Ontology
• デマンドバス問題最適化

• Official profile